Müşteri Veri Analisti

Müşteri İlişkileri Yönetiminin Temelleri (yaklaşık 3 gün)

Müşteri İlişkileri Yönetimine Giriş

Stratejik, analitik, operasyonel CRM

Entegre CRM çözümleri: ERP sistemi, veri ambarı, veri madenciliği ve OLAP

Veri koruma temelleri (yaklaşık 1 gün)

Müşteri verileriyle ilgilenme

Müşteri verilerinin saklanması ve aktarılması

Pazarlama/reklamcılık alanında veri koruma

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

Müşteri edinme ve elde tutma (yaklaşık 4 gün)

Müşteri ihtiyaçlarının analiz edilmesi

Müşteri memnuniyeti yönetimi

Müşteri iletişimi

Müşteri deneyimi (CX)

Müşteri ilişkileri psikolojisi

Müşteri veri tabanlarının geliştirilmesi ve bakımı

360 derece müşteri görünümü

Bütünsel vaka yönetimi

Müşteri verileriyle ilgilenme (yaklaşık 4 gün)

Atamaların, sözleşmelerin ve bütçenin yönetimi

Müşteri yönetimi

Ekipler arası iş akışları

Veritabanını temizleme

Analitik CRM (hedef kitle analizi, müşteri değer analizi, tahminler)

Gerçek zamanlı gösterge tabloları

Temel performans göstergelerine genel bakış

Drill-down analizi

Satır içi veri görselleştirme

Satış fırsatlarının değerlendirilmesi

Müşteri karlılığının artırılması (yaklaşık 3 gün)

pazarlama

Hedefe yönelik geri bildirim

Segmentasyon araçları

Kampanya yönetimi

İş Akışları

Kuruştan nakde şeffaflık

Gerçek zamanlı satış tahmini

Boru hattı raporları

CRM yazılımına giriş (yaklaşık 2 gün)

CRM sistemi ortamına genel bakış

Çeşitli CRM sistemlerinin sunumu ve konumlandırılması

Süreç akışlarının haritalanması

Proje çalışması (yaklaşık 3 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

İstatistiksel temeller (yaklaşık 6 gün)

Ölçme teorisinin temelleri (evren ve örneklem, örneklem türleri, ölçme ve ölçek düzeyleri)

Tek değişkenli tanımlayıcı istatistikler (frekans dağılımları, merkezi ölçümler, dağılım ölçümleri, standart değer, histogramlar, çubuk grafikler, pasta grafikler, çizgi grafikler ve kutu grafikler)

İki değişkenli tanımlayıcı istatistikler (korelasyon ölçümleri, korelasyon katsayıları, çapraz tablolar, dağılım grafikleri ve gruplandırılmış çubuk grafikler)

Tümevarımsal çıkarımsal istatistiğin temelleri (olasılık dağılımı, normal dağılım, ortalama değer dağılımı, anlamlılık testi, Fisher'in boş hipotez testi, etki büyüklüğü, parametre tahmini, güven aralıkları, hata çubuğu grafikleri, güç analizleri ve optimum örneklem büyüklüğünün belirlenmesi)

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

İki grubu karşılaştırma yöntemleri (yaklaşık 5 gün)

Bir örneklem için z- ve t-testi (belirli bir değerden sapma)

İki bağımsız/bağlantılı örneklem arasındaki ortalama fark için t-testi

Eylemlerin, önlemlerin, müdahalelerin ve diğer değişikliklerin etkinliğinin t-testleri ile test edilmesi (iki gruplu ön test-son test tasarımları)

Anlamlılık testlerinin desteklenmesi (Anderson-Darling testi, Ryan-Joiner testi, Levene testi, Bonnet testi, korelasyonlar için anlamlılık testi)

Parametrik olmayan yöntemler (Wilcoxon testi, işaret testi, Mann-Whitney testi)

Olumsallık analizleri (binom testi, Fisher'in kesin testi, ki-kare testi, ilişki ölçümleri ile çapraz tablolar)

Çeşitli grupların ortalamalarını karşılaştırma yöntemleri (yaklaşık 5 gün)

Tek ve iki faktörlü varyans analizi (basit ve dengeli ANOVA)

Çok faktörlü varyans analizi (genel doğrusal model)

Sabit, rastgele, çaprazlanmış ve iç içe geçmiş faktörler

Çoklu karşılaştırma yöntemleri (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Etkileşim analizi (etkileşim etkilerinin analizi)

Varyans analizleri için seçicilik ve güç analizi

Deney Tasarımına Giriş (DoE) (yaklaşık 1 gün)

Tam ve kısmi faktöriyel deneysel tasarımlar

Proje çalışması (yaklaşık 3 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Access ile veritabanı sistemlerinin temelleri (yaklaşık 3 gün)

Yedek veri

Veri bütünlüğü

Normalleştirme

BCNF

DB tasarımı

İlişki 1:n, m:n

veri türleri

masalar

Birincil ve yabancı anahtarlar

Referans bütünlüğü

İlişkiler arasındaki ilişkiler

Varlık ilişki modeli

Dizin, varsayılan değer

Kısıtlamalar (kontrol edin)

Sorgular

Formlar, raporlar

Genelge referansı

SQL Server Management Studio'ya (SSMS) giriş (yaklaşık 2 gün)

Genel Bakış

Fiziksel DB tasarımı

Tablo oluşturma

MS SQL'de veri türleri

Birincil Anahtar

Kısıtlamalar, varsayılan değerler, diyagram, ilişkiler

Yedekleme ve geri yükleme

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

DDL'ye Giriş (yaklaşık 8 gün)

SQL temelleri

sözdizimi

Komutlar

Çoklu tablolar

Operatörler

Akış kontrolü

Skaler değer fonksiyonları

Tablo değeri fonksiyonları

Sistem fonksiyonları

Parametreli ve parametresiz prosedürler

Hata türleri

İşlemler, kilitler, DeadLock

DCL - Veri Kontrol Dili (yaklaşık 1 gün)

Girişler

Kullanıcı öğrenimi

Roller

Yetkilendirmeler

Veri türleri, veri içe ve dışa aktarma (yaklaşık 1 gün)

Veri tipi coğrafya

Veri dışa aktarma, veri içe aktarma

Proje çalışması (yaklaşık 5 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Python temelleri (yaklaşık 1 gün)

Tarihçe, kavramlar

Kullanım ve uygulama alanları

Sözdizimi

Python ile ilk adımlar (yaklaşık 5 gün)

Sayılar

Dizeler

Tarih ve saat

Standart giriş ve çıkış

liste, tuple dict, küme

Dallar ve döngüler (if, for, while)

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

İşlevler (yaklaşık 5 gün)

Kendi fonksiyonlarınızı tanımlayın

Değişkenler

Parametreler, özyineleme

Fonksiyonel programlama

Sorun giderme (yaklaşık 0,5 gün)

denemek, hariç

Program kesintilerini önleme

Nesne yönelimli programlama (yaklaşık 4,5 gün)

Python sınıfları

Yöntemler

Değişmez nesneler

Veri sınıfı

Kalıtım

Grafik kullanıcı arayüzü (yaklaşık 1 gün)

Düğmeler ve metin alanları

Izgara düzeni

Dosya seçimi

Proje çalışması (yaklaşık 3 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

İş Zekasının Temelleri (yaklaşık 2 gün)

Uygulama alanları, iş zekası mimarisinin boyutları

İş zekasının temelleri, OLAP, OLTP, veri mühendislerinin görevleri

Veri Ambarı (DWH): yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verilerin ele alınması ve işlenmesi

Gereksinim yönetimi (yaklaşık 2 gün)

Gereksinim analizinde görevler, hedefler ve prosedürler

Veri modelleme, ERM ile giriş/modelleme

UML'de giriş/modelleme

- Sınıf diyagramları

- Kullanım durumu analizi

- Faaliyet diyagramları

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

Veritabanları (yaklaşık 3 gün)

Veritabanı sistemlerinin temelleri

Veritabanı yönetim sistemlerinin mimarisi

RDBMS Uygulaması

RDBMS'de veri modelinin uygulanması, normal formlar

SQL'e pratik ve teorik giriş

İlişkisel veritabanlarının sınırları, csv, json

Veri Ambarı (yaklaşık 4 gün)

Yıldız Şeması

Veri modelleme

RDBMS'de Yıldız Şemasının Oluşturulması

Snowflake Schema, temel bilgiler, veri modelleme

RDBMS'de Kar Tanesi Şemasının Oluşturulması

Galaxy Schema: Temel bilgiler, veri modelleme

Tip 1'den 5'e Yavaşça Değişen Boyut Tabloları - Yeniden Düzenleme, İstifleme, Yeniden Düzenleme, Mini Boyut ve Tip 5

Normal, nedensel, mini ve canavar, heterojen ve alt boyutlara giriş

Durum ve işlem odaklı karşılaştırması

DWH gerçek tabloları, yoğunluk ve depolama

ETL (yaklaşık 4 gün)

Veri Temizleme

- Boş Değerler

- Verilerin hazırlanması

- Verilerin uyumlaştırılması

- Düzenli ifadelerin uygulanması

Veri Anlama

- Veri doğrulama

- İstatistiksel veri analizi

Veri koruma, veri güvenliği

ETL rotalarının pratik yapısı

Data Vault 2.0, temeller, merkezler, bağlantılar, uydular, hash anahtarı, hash diff.

Data Vault veri modellemesi

Bir Veri Kasası modelinin pratik yapısı - Ham Kasa, hash prosedürlerinin pratik uygulaması

Proje çalışması (yaklaşık 5 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Veri analizine giriş (yaklaşık 1 gün)

CRISP-DM referans modeli

Veri analitiği iş akışları

Yapay zeka, makine öğrenimi, derin öğrenmenin tanımı

Veri mühendisleri, veri bilimcileri ve veri analistleri şirketindeki gereksinimler ve rol

Python temellerinin gözden geçirilmesi (yaklaşık 1 gün)

veri türleri

Fonksiyonlar

Veri analizi (yaklaşık 3 gün)

Veri analitiği bağlamında merkezi Python modülleri (NumPy, Pandas)

Veri hazırlama süreci

Python'da veri madenciliği algoritmaları

İş sürecinde yapay zeka (AI)

Belirli yapay zeka teknolojilerinin sunumu

ve profesyonel ortamdaki olası uygulamalar

Veri görselleştirme (yaklaşık 3 gün)

Keşifsel veri analizi

içgörüler

Veri kalitesi

Fayda analizi

Python ile Görselleştirme: Matplotlib, Seaborn, Plotly Express

Veri hikayesi anlatımı

Veri yönetimi (yaklaşık 2 gün)

Büyük veri mimarileri

SQL ile ilişkisel veritabanları

SQL ve NoSQL veritabanlarının karşılaştırılması

İş Zekası

Veri analizi bağlamında veri koruma

Büyük veri bağlamında veri analizi (yaklaşık 1 gün)

MapReduce yaklaşımı

Kıvılcım

NoSQL

Gösterge Tabloları (yaklaşık 3 gün)

Kütüphane: Dash

Gösterge tablolarının yapısı - Gösterge bileşenleri

Gösterge tablolarını özelleştirme

Geri aramalar

Metin Madenciliği (yaklaşık 1 gün)

Veri ön işleme

Görselleştirme

Kütüphane: SpaCy

Proje çalışması (yaklaşık 5 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu